- Einleitung
- Einrichten Ihres Kontos
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder
- Beschriftungen (Vorhersagen, Konfidenzniveaus, Beschriftungshierarchie und Beschriftungsstimmung)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Nachrichten mit und ohne Anmerkungen
- Extraktionsfelder
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Zugriffssteuerung und Administration
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen oder Löschen einer Datenquelle in der GUI
- Vorbereiten von Daten für den CSV-Upload
- Hochladen einer CSV-Datei in eine Quelle
- Hochladen einer PST-Datei
- Ein Dataset wird erstellt
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern der Dataset-Einstellungen
- Löschen einer Nachricht
- Löschen eines Datasets
- Exportieren eines Datasets
- Verwenden von Exchange-Integrationen
- E-Mail-Transformations-Tags
- Modelltraining und -wartung
- Grundlegendes zu Beschriftungen, allgemeinen Feldern und Metadaten
- Beschriftungshierarchie und Best Practices
- Vergleichen von Anwendungsfällen für Analyse und Automatisierung
- Konvertieren Ihrer Ziele in Bezeichnungen
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung
- Der Status des Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Grundlegendes zu Datenanforderungen
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- So funktioniert die Validierung
- Verstehen und Verbessern der Modellleistung
- Gründe für die geringe durchschnittliche Beschriftungsgenauigkeit
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automations and Communications Mining™
- Entwickler (Developer)
- Verwenden der API
- API-Tutorial
- Quellen
- Datasets
- Anmerkungen
- Anhänge (Attachments)
- Vorhersagen
- Erstellen Sie einen Stream
- Aktualisieren Sie einen Stream
- Rufen Sie einen Stream nach Namen ab
- Rufen Sie alle Streams ab
- Löschen Sie einen Stream
- Ergebnisse aus Stream abrufen
- Kommentare aus einem Stream abrufen (Legacy)
- Bringen Sie einen Stream vor
- Einen Stream zurücksetzen
- Kennzeichnen Sie eine Ausnahme
- Entfernen Sie das Tag einer Ausnahme
- Prüfungsereignisse
- Alle Benutzer abrufen
- Hochladen von Daten
- Herunterladen von Daten
- Exchange Integration mit einem Azure-Dienstbenutzer
- Exchange-Integration mit der Azure-Anwendungsauthentifizierung
- Exchange-Integration mit Azure Application Authentication und Graph
- Migrationsanleitung: Exchange Web Services (EWS) zur Microsoft Graph-API
- Abrufen von Daten für Tableau mit Python
- Elasticsearch-Integration
- Allgemeine Feldextraktion
- Selbst gehostete Exchange-Integration
- UiPath® Automatisierungs-Framework
- Offizielle UiPath®-Aktivitäten
- Wie Maschinen lernen, Wörter zu verstehen: eine Anleitung zu Einbettungen in NLP
- Eingabeaufforderungsbasiertes Lernen mit Transformers
- Ef Robots II: Wissensdegesterration und Feinabstimmung
- Effiziente Transformer I: Warnmechanismen
- Tief hierarchische, nicht überwachte Absichtsmodellierung: Nutzen ohne Trainingsdaten
- Beheben von Anmerkungsverzerrungen mit Communications Mining™
- Aktives Lernen: Bessere ML-Modelle in weniger Zeit
- Auf Zahlen kommt es an – Bewertung der Modellleistung mit Metriken
- Darum ist Modellvalidierung wichtig
- Vergleich von Communications Mining™ und Google AutoML für Conversation Data Intelligence
- Lizenzierung
- Häufige Fragen und mehr
Discover
Seite Discover in IXP in Automation Cloud zum Suchen von Nachrichten-Clustern, Erstellen einer Taxonomie und Erkunden von Dataset-Mustern.
Sie müssen die Berechtigungen Quelle – Lesen und Dataset – Lesen als Automation Cloud-Benutzer oder die Berechtigungen Quellen anzeigen und Beschriftungen anzeigen als Legacy-Benutzer zugewiesen haben.
Die Seite Discover führt die folgenden Tastenfunktionen aus:
-
Es hilft Ihnen, interessante Cluster von Nachrichten zu entdecken. Cluster sind Themen von Nachrichten, bei denen die Plattform ähnliche Absichten oder Konzepte teilen. Wenn Daten hochgeladen werden, verwendet die Plattform unbeaufsichtigtes Lernen, was bedeutet, dass sie die Daten ohne menschliches Training liest und interpretiert. Dadurch werden diese Cluster ähnlicher Nachrichten automatisch erkannt und in der GUI angezeigt. Diese Funktion erleichtert und beschleunigt das Erkennen neuer Absichten sowie das Anwenden von Beschriftungen und ist in der Regel der erste Schritt im Prozess des Modelltrainings. Nachdem eine beträchtliche Menge an Training abgeschlossen wurde oder dem Dataset eine beträchtliche Datenmenge hinzugefügt wurde, trainiert die Discover- Funktion erneut und präsentiert Ihnen neue Cluster nicht überprüfter Nachrichten. Wenn Discover erneut trainiert wird, berücksichtigt es die vorhandene Taxonomie, um Ihnen neue Cluster zu präsentieren, die für Sie immer noch interessant sind.
-
Mit Discover können Benutzer Nachrichten in großen Mengen oder einzeln mit Anmerkungen versehen , indem sie entweder die zuvor genannte Cluster -Funktion oder die Suchfunktion verwenden. Da die Nachrichten in jedem Cluster ähnliche Absichten und Konzepte enthalten sollten, ist die Funktion zum Hinzufügen von Massenanmerkungen ein hilfreiches Tool, um das Modell schnell zu trainieren. Mit der Suchfunktion können Sie nach Schlüsselbegriffen oder Ausdrücken suchen, von denen Sie wissen, dass sie für bestimmte Beschriftungen, die Sie erfassen möchten, relevant sein können.